A Comprehensive Benchmark of Computational Models for Antibody--Antigen Binding Affinity
本論文は、20種類の抗体-抗原結合親和性計算モデルを評価する216,000件以上の実験的測定値からなる包括的なベンチマークであるAbBiBenchを紹介し、グローバルな構造条件付きのインバースフォールディングがファインチューニングされた手法を凌駕すること、および実験的な成功率が高い機能的変異体を優先順位付けする上での本フレームワークの有用性を明らかにしている。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
免疫システムは、抗体と呼ばれるY字型のタンパク質による洗練された防御部隊に依存しています。これらの分子は精密な監視員として機能し、ウイルスや細菌などの侵入者を探索して体内を巡ります。その成功は「鍵と鍵穴」のメカニズムにかかっています。抗体は、脅威を無力化するのに十分な強さで、抗原として知られる特定の標的に物理的に掴まなければなりません。科学者たちは、これら抗体のより優れたバージョンを設計するために、危険な病原体に強く結合するようにその形状を微調整しようと、長年試みてきました。このプロセスは新しい医薬品の開発において極めて重要ですが、巨大な障壁に直面しています。抗体のバリエーションの数はあまりにも膨大であるため、それらを一つずつラボでテストすることは不可能です。研究者たちは、試験管に触れる前に、どの設計が機能するかを予測する方法を必要としています。
長年、生成された抗体を設計するためのコンピュータモデルを評価する標準的なアプローチには欠陥がありました。多くのプログラムは、生成された配列が自然界に見られる天然の抗体にどれだけ近いかという点だけで判断されてきました。しかし、免疫システムは変異と組換えという混沌としたランダムなプロセスを通じて抗体を作り出すため、既存の天然のものとは似ても似つかない形状を生み出すことがよくあります。新しい設計を「既存のものにどれだけ似ているか」で判断することは、本質を見誤ることになります。抗体の真のテストは、過去との類似性ではなく、現在、特定の標的にしっかりと掴みつく能力にあるのです。ある新しい研究は、「AbBiBench」と呼ばれる包括的なベンチマークを導入し、焦点を完全にこの機能的な目標へと転換しました。設計が自然に見えるかどうかを問うのではなく、コンピュータモデルが、実際にどの抗体変異体が標的に強く結合するかを正しく予測できるかどうかを、研究者たちは問い直したのです。
この新しい基準を構築するために、チームは膨大な実験データのコレクションを集めました。彼らは、インフルエンザウイルスやSARS-CoV-2ウイルスの構成要素を含む9種類の異なる抗原に対して、異なる抗体変異体がどれほど強く結合するかという21万6,000件以上の測定値を集計しました。これらの測定値は、幅広い抗体標的と変異タイプを網羅する16種類の異なるラボテストから得られたものです。研究者たちは、このデータセットを使用して20種類の計算手法をテストしました。決定的なのは、これらのモデルを「ゼロショット」状態でテストしたことです。つまり、これらの抗体について特別に学習させたり、新しいデータで微調整したりすることなく、ソフトウェアがリリースされたままの状態で評価したことを意味します。これにより、結果が特定のデータセットを記憶する能力ではなく、モデルの純粋な汎化能力を反映するようにしました。
結果は、結合強度を予測するレースにおける明確な勝者を明らかにしました。抗体と抗原の複合体の完全な三次元構造をガイドとして使用したモデルは、タンパク質の文字配列のみを見たものや、構造の小さな局所部分に焦点を当てたものよりも、大幅に優れたパフォーマンスを示しました。具体的には、「逆折り畳み（インバース・フォールディング）」として知られる、与えられた3D形状に対して最適なアミノ酸配列を予測する手法が、最も一貫性があり正確なツールとして浮上しました。トップクラスのモデルは、元のものよりもはるかに強く結合する可能性が高い変異体を特定し、有望な候補を高い信頼性でランク付けすることができました。対照的に、アミノ酸の順序のみに依存するモデルや、抗体データに特化して微調整されたモデルは、一貫して性能が向上したわけではなく、時には一般的なモデルよりも性能が劣ることもありました。
この研究はまた、コンピュータモデルをどのように使用すべきかという驚くべき非対称性を明らかにしました。モデルは「勝者」を見つけることには非常に優れていました。つまり、ラボでテストすべき、強く結合する可能性が高い少数の変異体を特定することには長けていたのです。しかし、「敗者」を特定することに関しては、信頼性がはるかに低いことが分かりました。コンピュータモデルによる低いスコアは、その変異体を破棄するための十分な理由にはなりませんでした。なぜなら、弱くランク付けされた候補であっても、依然としてある程度の結合能を示していたからです。これは、コンピュータが探索範囲を絞り込み、最も有望な設計を優先順位付けするための強力なツールではあるものの、他の可能性を安全に排除するために使用できる段階にはまだ至っていないことを示唆しています。最善の戦略は、これらのモデルを、実験テストのための候補リストを精選するために使用することであり、それ以外のものをフィルタリングするために使用することではありません。
これらの回顧的な知見が実世界の設計にどのように転用できるかを証明するために、研究者たちは前向きなケーススタディを実施しました。彼らは、ある種のインフルエンザには自然に結合するが、別の株には結合できない抗体の新しいバージョンを設計するようモデルに求めました。目標は、二番目の株を掴むことができる変異体を作成することでした。モデルは数千の新しい配列を生成し、研究者たちは予測される結合強度と配列の安定性に基づいて、最も有望なものを選択する二段階のフィルタリングプロセスを用いました。彼らは21個のトップ候補を選出し、ラボでテストしました。設計された変済体のすべてが、ターゲットとなるインフルエンザウイルスに結合することに成功しました。この結果は、抗体の配列だけでなく、抗体と標的の間の物理的な相互作用に焦点を当てることで、人工知能を用いて広大な抗体設計の領域をより高い確信と効率性を持ってナビゲートできることを証明しました。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。